Improving Credit Card Fraud Detection Using Ensemble Machine Learning Techniques

Der digitale Detektiv und die Nadel im Heuhaufen

Stellen Sie sich vor, Sie gehen durch eine riesige, belebte Stadt, in der jede Sekunde Millionen von Menschen Kaffee kaufen, Miete bezahlen und Pizza bestellen. In dieser Stadt gibt es Taschendiebe, die versuchen, Brieftaschen zu stehlen, aber sie sind extrem selten – vielleicht nur 2 oder 3 Diebe auf 100 ehrliche Käufer. Wenn Sie einen Sicherheitswachmann eingestellt hätten, dessen einzige Aufgabe darin besteht, diese Diebe aufzuspüren, würde er vielleicht sehr gut darin werden zu sagen: „Niemand stiehlt etwas!“, weil er statistisch gesehen fast die ganze Zeit recht hat. Aber das ist ein schlechter Job für einen Sicherheitswachmann! Wenn er auch nur einen einzigen Dieb übersieht, sind die Folgen enorm. Das ist der tägliche Albtraum von Online-Kreditkartenunternehmen: Sie müssen die winzigen, hinterlistigen Betrüger finden, die sich in einem Berg von völlig normalen Transaktionen verstecken.

Um dies zu lösen, verwenden Wissenschaftler etwas namens Maschinelles Lernen. Denken Sie an dies als einen superintelligenten Roboter, der durch das Lesen der Geschichte lernt. Er betrachtet tausende vergangene Transaktionen, um herauszufinden, wie „normales“ Ausgeben aussieht und wie „verdächtiges“ Ausgeben aussieht. Es gibt jedoch einen Haken: Da es so wenige Betrugsfälle gibt, wird der Roboter verwirrt. Es ist, als würde man versuchen, zu lernen, wie ein Löwe aussieht, indem man dem Roboter nur einmal ein Bild eines Löwen zeigt, während man ihm eine Million Bilder von Katzen zeigt. Der Roboter wird einfach denken: „Oh, alles ist eine Katze!“ Um dies zu beheben, verwenden Forscher einen cleveren Trick namens Generative Adversarial Networks (GANs). Sie können sich ein GAN als einen Meisterfälscher und einen Meisterdetektiv vorstellen, die zusammenarbeiten. Der Fälscher versucht, echte „Löwen“-Bilder zu erstellen, die so echt aussehen, dass sie den Detektiv täuschen, während der Detektiv immer besser darin wird, die Fälschungen zu erkennen. Bis sie fertig sind, hat der Detektiv genug „Löwen“ gesehen, um die echten endlich zu erkennen. Diese Arbeit untersucht, wie man diese digitalen Fälscher und Detektiven einsetzt, um Kreditkartendiebe schneller und intelligenter zu fangen.

---

Die große Idee der Arbeit: Robotern beibringen, die Nadel zu finden

In dieser Studie beschloss ein Forscherteam der Cadi Ayyad Universität in Marokko, einen besseren digitalen Sicherheitswachmann zu bauen. Sie wollten sehen, ob sie den „Fälscher“-Trick (GANs) mit einem Team aus verschiedenen maschinellen Lernrobotern (genannt Ensemble Learning) kombinieren können, um Kreditkartenbetrug in Echtzeit zu erfassen. Sie wollten nicht nur einen Roboter, der genau war; sie wollten einen, der schnell genug war, um einen Dieb zu stoppen, noch bevor die Transaktion überhaupt abgeschlossen war.

Die Forscher begannen mit einem realen Datensatz von einer Website namens AirportRental. Dieser enthielt 76.900 Transaktionen, aber hier lag das Problem: Nur 1.922 davon (etwa 2,5 %) waren tatsächlich betrügerisch. Es war ein massiver Heuhaufen mit sehr wenigen Nadeln.

Zuerst versuchten sie, ihre Roboter mit diesen unordentlichen, unausgewogenen Daten zu trainieren. Wie erwartet, priorisierten die Roboter die Mehrheitsklasse. Sie waren so gut darin zu sagen: „Dies ist eine normale Transaktion“, dass sie die meisten Betrugsfälle übersahen. Aber dann brachten die Forscher die GANs ins Spiel. Sie nutzten das Fälscher-Detektiv-Team, um synthetische (gefälschte, aber realistische) Beispiele für betrügerische Transaktionen zu erstellen. Sie mischten diese neuen Beispiele mit den echten, bis der Datensatz perfekt ausgewogen war: 50 % normale Transaktionen und 50 % betrügerische Transaktionen. Plötzlich hatten die Roboter einen viel besseren Lernleitfaden.

Als Nächstin testeten sie eine Reihe verschiedener Modelle des maschinellen Lernens, um zu sehen, welcher der beste Detektiv ist. Sie probierten aus:

• Logistische Regression und Naïve Bayes (einfache, schnelle Denker).
• KNN und SVM (langsamere, komplexere Denker).
• Random Forest und XGBoost (kraftvolle Teams von Entscheidungsträgern, die zusammenarbeiten).

Sie maßen zwei Dinge: Wie gut waren sie darin, den Betrug zu entdecken? (Dies wird als Recall bezeichnet). Und wie schnell waren sie? (Dies ist die Execution Time bzw. Ausführungszeit).

Die Ergebnisse: Das schnelle Team gewinnt

Die Experimente zeigten, dass der „Fälscher“-Trick Wunder wirkte. Als die Roboter von den durch GANs erstellten, ausgewogenen Daten lernten, schoss ihre Fähigkeit, Betrug zu erkennen, in die Höhe. Im Durchschnitt sprang ihr Recall (die Fähigkeit, die Bösen zu finden) um etwa 25 Prozentpunkte. Das bedeutet, sie hörten auf, die Diebe zu übersehen.

Unter allen getesteten Modellen stach ein Team als klarer Champion hervor: XGBoost.

Hier ist der Grund, warum XGBoost der Star der Show war:

1. Es war am genauesten: Auf den ausgewogenen Daten erreichte XGBoost eine Präzision von 95 % (es hatte fast jedes Mal recht, wenn es Alarm schlug) und einen Recall von 93 % (es schnappte fast allen Betrug). Es hatte auch einen AUC-ROC von 99 %, was eine schicke Art zu sagen, dass es nahezu perfekt darin war, zwischen guten und schlechten Transaktionen zu unterscheiden.
2. Es war am schnellsten unter Druck: Dies ist der aufregendste Teil. Die Forscher testeten die Roboter nicht nur einzeln; sie simulierten einen belebten Flughafen-Mietwagen-Schalter, an dem hunderte von Transaktionen gleichzeitig stattfanden.
   • Beim Umgang mit nur einer Transaktion waren die einfachen Modelle wie Naïve Bayes am schnellsten und benötigten nur 0,09 Millisekunden.
   • Aber als die Menge auf 30 Transaktionen gleichzeitig anwuchs, wurden die einfachen Modelle und die komplexen Modelle (wie KNN und SVM) drastisch langsamer. Die Zeit von KNN sprang auf 18,45 ms und SVM auf 21,10 ms. Ihre Leistung „degradierte“ (verschlechterte sich) um über 800 %.
   • XGBoost hingegen blieb gelassen. Selbst mit 30 Transaktionen dauerte es nur 2,90 Millisekunden. Seine Leistung wurde nur um etwa 480 % langsamer, was die beste Stabilität der Gruppe darstellt.

Die Arbeit schließt die Idee explizit aus, dass die schnellsten einfachen Modelle (wie Naïve Bayes) die beste Wahl für reale Systeme sind. Während sie für eine einzelne Aufgabe schnell sind, können sie die Stoßzeiten eines geschäftigen Tages nicht bewältigen. Die Arbeit argumentiert auch gegen das Vertrauen auf alte, unausgewogene Daten und zeigt, dass selbst die besten Modelle ohne die GAN-Ausbalancierung Schwierigkeiten haben, den Betrug zu finden.

Das Urteil

Die Studie kommt zu dem Schluss, dass der beste Weg, Kreditkartenbetrug zu bekämpfen, darin besteht, ein GAN zu verwenden, um einen ausgewogenen Trainingsdatensatz zu erstellen, und dann ein Ensemble-Modell wie XGBoost die Detektion durchführen zu lassen. Diese Kombination bietet das Beste aus beiden Welten: einen Roboter, der unglaublich gut darin ist, die winzigen, seltenen Betrüger aufzuspüren, und einen Roboter, der schnell genug ist, um sie zu stoppen, bevor das Geld Ihr Konto verlässt.

Die Autoren schlagen vor, dass dieser Ansatz eine robuste, skalierbare Lösung für reale Finanzsysteme ist. Sie haben nicht nur einen theoretischen Sieg errungen; sie haben den Echtzeitdruck eines geschäftigen Transaktionssystems simuliert und bewiesen, dass XGBoost der Hitze standhalten kann. Obwohl sie nicht behaupteten, dass dies die endgültige Lösung für jeglichen Betrug sei (da sich Diebe ständig neue Tricks ausdenken), zeigten sie, dass diese spezifische Kombination von Werkzeugen ein sehr starker, zuverlässiger und praktischer Schritt nach vorn ist, um unsere digitalen Brieftaschen sicher zu halten.